KR102514450B1 - 열화상 카메라를 이용한 용접부 결함 검출 방법 - Google Patents

Abstract

열화상 카메라를 이용하여 용접부의 결함을 검출하는 방법이 개시된다. 본 발명의 일실시예에 따른 용접부 결함 검출 방법은 두 철골 부재의 용접부에서 결함을 검출하는 방법으로서, 검사대상 용접부의 일면 상에서 복수의 지점에 대응하는 복수의 온도값을 획득하는 단계; 상기 복수의 온도값의 표준편차를 계산하여 지표값을 산출하는 단계; 및 상기 지표값을 사전 설정된 결함 범위와 비교하여 상기 검사대상 용접부에 결함이 존재하는지 여부를 판단하는 단계를 포함할 수 있다.

Description

열화상 카메라를 이용한 용접부 결함 검출 방법{METHOD OF DETECTING DEFECT IN WELDED JOINT USING THERMAL IMAGING CAMERA}

본 발명은 용접부의 결함을 검출하는 방법에 관한 것으로서, 보다 상세하게는 열화상 카메라를 이용하여 용접부의 결함을 검출하는 방법에 관한 것이다.

기술의 발전 및 생활수준의 제고와 함께 건설시장 규모는 지속적으로 증가해 왔다. 국내 건설시장 규모는 약 120조원 내외에 이르며, 이는 세계 10위권 수준에 달하는 시장 규모를 나타낸다. 특히, 새로운 기술 도입과 미려한 외관에 대한 수요자의 요구에 따라 철골 구조가 사용되고 있으며, 이는 일반 주택에서부터 초고층 건물까지 다양한 규모의 건축물에서 이용되고 있다.

한편, 생활수준이 높아짐에 따라 또한 건축물의 안전성의 중요성이 부각되고 있다. 최근 안전 혁신과 관련된 정부정책 중 안전진단 산업 육성 추진에 상응하여 비파괴검사 안전진단에 대한 관심과 시장규모는 더욱 증대될 것으로 예상된다.

철골 구조물의 안전검사의 주요 부분으로 결함의 유무를 판단하는 것이 포함되는데, 특히 철골 부재의 접합부에서 용접 상태의 결함에 대한 검출 작업이 필수적으로 수반된다. 이러한 결함검사는 육안검사와 비파괴검사 2가지로 나눌 수 있다. 육안검사는 오버랩, 언더컷, 크랙 등 용접부의 결함을 육안으로 측정하는 방식이고, 비파괴검사는 초음파탐사검사, 자분탐상검사 등을 사용하여 용접부 결함을 측정하는 방식이다.

인력에 의한 용접부 결함 검사의 경우 육안에 의존한 측정 방식이 대다수를 이루고 국소 부위의 결함 및 변형을 측정하는 것으로 한정되어 있다. 육안으로 용접부의 결함을 측정하기 위해서는 측정장비의 부속품, 도포제와 같은 추가적인 장비를 휴대해야 하는 불편이 따르고, 초고층 건물의 경우에는 막대한 인력 및 비용이 소요되는 것은 차치하고 검사 작업 자체가 매우 어렵고 매우 위험할 수 있다.

비파괴검사의 일종으로서 초음파탐사 검사에는 검사 대상의 양측에 초음파탐사 장치를 장착하는 과정이 수반된다. 즉, 검사 대상의 일측에는 초음파를 발사하는 장치를 설치하고 타측에는 초음파를 수신하는 장치를 설치한다. 자분탐상검사는 검사 대상을 자기화하고 이러한 자기장에 반응하는 자분 가루를 표면에 뿌려 자력이 강하게 형성된 부분을 확인하는 방법으로 결함을 검출하는 방법이다. 이와 같이 초음파탐사와 자분탐상검사 역시 매우 번거로운 사전준비가 수반되며 검사하는 구조물의 규모가 클수록 소요되는 인력과 비용이 크게 증대될 수 있다.

이에 대한 대안으로 열화상 검사 방법이 제안된 바 있다. 열화상 검사방법에는 모든 물체가 방사하고 있는 고유의 적외선 에너지를 검출하는 수동적 검사 방법 및 대상체에 외부 에너지를 입사하여 대상체의 내부 조건에 따라 달라지는 방사에너지의 검출을 이용하는 능동적 검사 방법이 있다. 그러나 종래기술에 따른 열화상 검사 방법은 단지 구조물에 균열이 발생하였는지 여부만을 판단할 뿐 균열의 정도, 즉 균열의 깊이를 측정할 수 없다. 균열의 정도는 향후 구조물의 변화 및 이에 대한 예측과 관련되므로 균열의 존재여부를 파악할 뿐만 아니라 그 정도를 파악하는 기술이 요구된다.

한국등록특허 제10-0553124호

본 발명의 일측면은 열화상 카메라를 이용하여 철골조 용접부에서 결함의 유무를 판단하는 것에 더해 결함의 종류와 정도를 판단할 수 있는 용접부 결함 검출 방법을 제공하려는 것이다.

본 발명의 다른 일측면은 검사 대상의 환경적 요소를 종합적으로 고려하여 높은 신뢰도 및 높은 정확도를 제공하면서도 간편한 방법으로 철골조 용접부의 결함을 검출할 수 있게 하는 용접부 결함 검출 방법을 제공하려는 것이다.

본 발명의 일실시예에 따르면, 두 철골 부재의 용접부에서 결함을 검출하는 방법이 제공된다. 본 발명의 일실시예에 따른 용접부 결함 검출 방법은, 검사대상 용접부의 일면 상에서 복수의 지점에 대응하는 복수의 온도값을 획득하는 단계; 상기 복수의 온도값의 표준편차를 계산하여 지표값을 산출하는 단계; 및 상기 지표값을 사전 설정된 결함 범위와 비교하여 상기 검사대상 용접부에 결함이 존재하는지 여부를 판단하는 단계를 포함할 수 있다.

상기 복수의 온도값을 획득하는 단계는 열화상 카메라로 상기 검사대상 용접부를 촬영하는 단계를 포함할 수 있고, 상기 복수의 온도값은 상기 열화상 카메라로 촬영한 영상 내의 복수의 픽셀 값에 대응할 수 있다.

상기 결함 존재 여부를 판단하는 단계는 상기 지표값을 복수의 결함 범위와 비교하여 상기 지표값이 속하는 결함 범위에 기초하여 결함의 유형을 판단하는 단계를 포함할 수 있다.

상기 복수의 온도값을 획득하는 단계는 상기 복수의 온도값을 획득하는 동시에 하나 이상의 외부 인수를 측정하는 단계를 포함할 수 있고, 상기 결함 범위는 상기 외부 인수의 값에 따라 다르게 설정될 수 있다.

여기서, 상기 외부 인수는 상기 복수의 온도값을 획득할 때의 외기 온도, 습도, 풍속, 일사량 및 상기 검사대상 용접부에 인접한 부재의 표면온도 중 적어도 하나를 포함할 수 있다.

본 발명의 일실시예에 따른 용접부 결함 검출 방법은, 상기 복수의 온도값을 획득하는 단계 이전에, 상기 결함 범위를 설정하는 단계를 더 포함할 수 있다.

여기서, 상기 결함 범위를 설정하는 단계는 하나 이상의 결함 유형 각각에 대하여 결함이 존재하는 용접부의 복수의 온도값으로부터 산출되는 표준편차 사례를 수집하는 단계를 포함할 수 있다.

이 경우, 상기 결함 범위를 설정하는 단계는, 상기 수집되는 표준편차 사례를 데이터베이스로 구축하는 단계 및 딥러닝 알고리즘에 상기 데이터베이스를 입력하는 단계를 포함할 수도 있다.

또한, 상기 표준편차 사례는 용접부의 폭, 정상부의 온도, 용접되는 부재의 두께, 결함의 유형, 결함의 깊이, 표준편차의 계산에 사용된 온도값의 개수, 외기 온도, 습도, 풍속, 일사량, 용접부에 인접한 부재의 표면온도 및 용접부 양측 부재 사이의 각도 중 하나 이상의 기준에 따라 분류되어 수집될 수 있다.

상기 복수의 온도값을 획득하는 단계는, 제1 시간대에서 상기 복수의 온도값을 획득하는 동시에 하나 이상의 외부 인수를 측정하는 단계; 및 상기 외부 인수에 변화가 생긴 제2 시간대에서 상기 복수의 지점에 대응하는 복수의 온도값을 획득하는 단계를 포함할 수 있고, 상기 지표값은 상기 제1 시간대에 획득한 온도값으로부터 계산된 제1 표준편차와 상기 제2 시간대에 획득한 온도값으로부터 계산된 제2 표준편차의 변화율에 기초하여 산출될 수 있다.

이 경우, 상기 하나 이상의 외부 인수는 상기 검사대상 용접부에 인접한 부재의 표면온도를 포함할 수 있고, 상기 제2 시간대에서 복수의 온도값을 획득하는 단계는 상기 검사대상에 열을 가하는 단계를 포함할 수 있다.

본 발명의 일실시예에 따르면, 열화상 카메라를 이용하여 철골조 용접부에서 결함의 유무만을 판단하는 것에 더해 결함의 종류와 정도를 판단할 수 있는 용접부 결함 검출 방법이 제공된다.

또한, 본 발명의 일실시예에 따르면, 검사 대상의 환경적 요소를 종합적으로 고려하여 높은 신뢰도 및 높은 정확도를 제공하면서도 간편한 방법으로 철골조 용접부의 결함을 검출할 수 있게 하는 용접부 결함 검출 방법이 제공된다.

이와 같이 다양한 환경적 인수를 고려하면서 용접부의 결함을 보다 정확하게 검출함에 따라 추후에 발생가능한 안전사고를 미연에 방지할 수 있고 구조물의 유지관리 비용을 절감시키는 것이 가능하다.

도 1은 본 발명의 일실시예에 따른 용접부 결함 검출 방법을 개략적으로 나타내는 흐름도이다.
도 2는 본 발명의 일실시예에 따른 용접부 결함 검출 방법의 각 단계를 개략적으로 묘사한 개념도이다.
도 3은 본 발명의 일실시예에 따른 용접부 결함 검출 방법에 사용될 수 있는 딥러닝 알고리즘을 개략적으로 나타낸 개념도이다.
도 4는 본 발명의 일실시예에 따른 용접부 결함 검출 방법의 표준편차 사례를 수집하는 단계에서 사용되는 실험체를 나타낸 도면이다.
도 5는 본 발명의 일실시예에 따른 용접부 결함 검출 방법에서 분류하는 결함 유형을 나타낸 개념도이다.
도 6은 본 발명의 일실시예에 따른 용접부 결함 검출 방법에 따라 수집된 표준편차 사례를 예시적으로 나타낸 그래프이다.
도 7 및 도 8은 본 발명의 일실시예에 따른 용접부 결함 검출 방법에 의해 복수의 온도값을 획득하는 과정을 나타내는 도면이다.

전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다.

이하, 첨부된 도면을 참조하여 본 발명의 일부 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.

도 1은 본 발명의 일실시예에 따른 용접부 결함 검출 방법을 개략적으로 나타내는 흐름도이고, 도 2는 본 발명의 일실시예에 따른 용접부 결함 검출 방법의 각 단계를 개략적으로 묘사한 개념도이다.

도 1과 도 2를 참조하면, 본 발명의 일실시예에 따른 용접부 결함 검출 방법은 크게 결함 범위를 설정하는 단계(S100), 검사대상 용접부의 일면 상에서 복수의 지점에 대응하는 복수의 온도값을 획득하는 단계(S200), 복수의 온도값의 표준편차를 계산하여 지표값을 산출하는 단계(S300) 및 지표값을 결함 범위와 비교하여 검사대상 용접부에 결함이 존재하는지 여부를 판단하는 단계(S400)를 포함할 수 있다.

전술한 바와 같이, 구조물의 결함을 검사함에 있어 열화상 검사방법은 많은 장점을 제공한다. 육안검사 및 초음파탐사검사, 자분탐상검사 등의 방법에 비해 열화상 검사방법은 훨씬 간편하게 수행될 수 있는데, 특히 열화상 카메라를 무인항공기(Unmanned Aerial Vehicle, UAV)에 장착하면 작업자가 직접 접근하기 어렵거나 위험한 위치도 검사하는 것이 가능해진다. 다만, 기존의 열화상 검사방법은 열화상카메라로 촬영한 이미지에서 온도가 급격하게 다른 부분을 포착하여 정도에 대한 파악은 없이 결함에 대한 유무만을 판단하고 있다. 이에 반해, 본 발명의 일실시예에 따른 용접부 결함 검출 방법은 획득한 온도 데이터의 표준편차 값을 이용함으로써 결함의 유무뿐만이 아니라 결함의 유형 및 정도까지도 정량적으로 판단할 수 있다.

용접부에 결함이 없는 부분(이하 정상부라 지칭함)에서는 표면 온도가 비교적 균일하게 나타난다. 이에 반해, 용접부에 결함이 있는 부분(이하 결함부라 지칭함)에서는 표면 온도가 불균일하다. 특히, 이러한 온도값의 불균일성은 결함의 유형마다 다르게 나타나고, 이는 또한 온도값 획득시의 주변의 환경적 요소의 영향을 받을 수 있다. 예를 들어, 온도값 획득시의 외기 온도, 습도, 풍속 및 일사량은 구조물 전체에 영향을 미치는 바, 용접부의 정상부 및 결함부에서 방사되는 복사 에너지에도 영향을 미칠 수 있다. 그 외에도 구조물 내의 기타 열원, 용접된 철골 부재의 크기, 용접부 자체의 크기 등에 따라서도 결함부의 표면 온도가 달라질 수 있다. 본 발명의 일실시예는 이와 같이 철골 부재를 용접한 부분의 결함부에서 표면 온도가 불균일하게 분포되는 현상을 이용하여 검사대상의 지표값을 산출한 후 이를 바탕으로 용접부 결함을 검출할 수 있다.

이를 위해, 본 발명의 일시예에 따른 용접부 결함 검출 방법은 먼저 결함 범위를 설정하는 단계(S100)를 포함할 수 있다. 이는 검사대상의 지표값을 비교하기 위한 기준을 제공하는 단계이다.

본 발명의 일실시예에 따르면, 상기 결함 범위를 설정하는 단계(S100)는 다수의 표준편차 사례를 수집하고 분석하는 단계(S110)를 포함할 수 있다. 여기서 표준편차 사례라 함은, 다양한 환경 하에서 용접부의 정상부 및 결함부에 대하여 소정의 표본 크기의 표면 온도값을 측정한 후 각 표본 세트에 대하여 산출한 표준편차 값을 의미할 수 있다. 후술되는 바와 같이 실시예에 따라 복수의 표준편차 값을 하나의 표준편차 사례로 사용할 수도 있다.

결함 범위는 검사대상의 지표값을 통해 검사대상에 결함이 있는 것으로 식별되는지 여부를 판단하기 위한 것으로서, 예컨대 결함에 해당하는 지표값의 범위로 표현될 수 있다. 하나의 표준편차 값 자체가 지표값으로 사용되는 실시예에서, 결함 범위는 예컨대 소정 범위를 규정하기 위한 하한 또는 하한과 상한의 조합일 수 있다. 예를 들어, 결함 범위의 하한이 10으로 설정된 상태에서 검사대상의 지표값이 11로 나타나면 해당 검사대상에는 결함이 있는 것으로 판별될 수 있다.

수집되는 표준편차 사례는 용접부 결함 검출 방법이 검출하고자 하는 결함의 유형에 따라 분류될 수 있다. 예를 들어, 도 5에는 철골조의 용접부에 발생할 수 있는 결함의 유형 중 다섯 가지, 즉 오버랩, 크랙, 언더컷, 크레이터 및 피쉬아이가 도시되어 있다. 본 발명의 일실시예에 따라 상기 다섯 가지 결함 모두를 고려하고자 하는 경우를 가정하면, 수집되는 각각의 표준편차 사례는 어느 유형의 결함에 해당하거나 정상부에 해당하는지에 따라 여섯 가지로 분류되어 수집될 수 있다. 실시예에 따라 결함의 유형의 개수는 적어지거나 많아질 수 있음은 물론이다.

본 발명의 일실시예에 따르면, 수집되는 표준편차 사례들은 데이터베이스로 구축될 수 있다. 데이터베이스에 입력되는 각각의 표준편차 사례는 지정된 영역의 온도값의 표준편차 값과 고려하고자 하는 인수들에 해당하는 값들을 함께 포함할 수 있다. 예를 들어, 데이터베이스에 입력되는 각각의 표준편차 사례는 온도값 측정 당시의 외부 인수들에 대한 측정값을 포함할 수 있는데, 이러한 외부 인수에는 외기 온도, 습도, 풍속, 일사량 및 측정된 용접부에 인접한 부재의 표면온도 중 하나 이상을 포함할 수 있다. 보다 정확한 검출 및 판단을 위해 필요에 따라 다른 인수들과 관련된 측정값들이 포함될 수도 있다. 예를 들어, 데이터베이스에 입력되는 각각의 표준편차 사례는 온도값 측정 당시 용접부의 폭, 정상부의 온도, 용접되는 부재의 두께, 결함의 유형, 결함의 깊이, 표준편차의 계산에 사용된 온도값의 개수 등을 포함할 수 있다. 또한, 대부분의 열화상 카메라에 가시광 카메라의 기능이 함께 탑재되어 있으므로 열화상 카메라로 촬영되는 용접부의 외관 영상도 함께 수집하여 육안검사도 동시에 진행되게 할 수도 있다. 이와 같이 데이터베이스에 저장된 표준편차 사례들은 각각의 항목에 따라 분류될 수 있다.

이러한 데이터베이스는 소정의 기계학습 알고리즘, 예컨대 인공신경망 또는 딥러닝 알고리즘에 입력될 수 있다. 도 3에는 전술한 기계학습 알고리즘의 일례로서 딥러닝 알고리즘의 개념이 도시화되어 있다. 데이터베이스에 저장된 표준편차 사례들 각각의 세트들은 전술한 바와 같이 용접부의 정상부 또는 결함부의 온도값들 외에도 당시의 외기 온도, 정상부 온도, 인접한 부재의 표면온도 등의 값들을 포함할 수 있으며, 기계학습 알고리즘은 위의 데이터를 기초로 하여 판별하고자 하는 각 결함 유형의 특징을 도출할 수 있다.

이와 같이 표준편차 사례를 수집하고 필요에 따라 데이터베이스를 구축하기 위해, 표준편차 사례를 수집하는 과정에는 하나 이상의 모사체를 제작하여 모사체에 실험을 수행하는 과정이 포함될 수 있다.

도 4에는 이러한 실험을 수행하는 데 사용할 수 있는 실험체(50)가 도시되어 있다. 도 4의 실험체(50)에서는 다수의 철재 부재(1~4)들이 용접되어, 각각의 부재 사이에 용접부(10, 20, 30)가 형성되어 있다. 도 4의 실험체(50)의 중간 용접부(20)는 용접에 결함이 없도록 주의하여 용접하였으며, 반면에 실험체(50)의 좌측 용접부(10) 및 우측 용접부(30)에는 용접부에 결함이 있도록 의도적으로 결함을 형성하였다. 도 5에는 용접부(10)에 의도적으로 구현한 결함의 형태가 도시되어 있다. 또한, 도 4에 도시된 예에서는 부재(1)와 부재(2)가 평행한 상태로 용접되는 경우(예컨대, butt welding)에 형성되는 용접부(10)와 부재(3)와 부재(4)가 직각으로 용접되는 경우(예컨대, fillet welding)에 형성되는 용접부(30)가 도시되어 있다. 물론, 다른 실시예에서는 용접부 양측의 부재가 0도 및 90도에 더하여 보다 다양한 각도를 포함하는 실험체를 제작하여 결함이 없는 용접부 및 결함이 의도적으로 형성된 용접부를 구현할 수도 있을 것이다.

제작된 실험체(50)에서 각각의 용접부(10, 20, 30) 상의 복수의 지점의 온도값을 측정할 수 있다. 이 또한 열화상 촬영에 의해 이루어질 수 있다. 사용되는 분석 기법 및 추구하는 정확도에 따라 각 결함 유형에서 온도편차를 산출하기 위한 온도값 외에도 촬영 당시의 외기 온도, 습도, 풍속, 일사량, 용접부에 인접한 부재의 표면온도, 용접부 양측 부재 사이의 각도, 용접부의 폭, 정상부의 온도, 용접되는 부재의 두께, 결함의 유형, 결함의 깊이, 표준편차의 계산에 사용된 온도값의 개수, 등의 인수들 중 하나 이상을 함께 측정할 수 있다. 여기서, 습도, 풍속 등의 일부 인수들의 측정에는 습도계, 풍속계 등 별도의 장비가 요구될 수 있으나, 인접한 부재의 표면온도와 같이 별도의 장비 없이 열화상 카메라에 의해 동시에 획득이 가능한 인수도 있다. 특히, 용접부에 인접한 부재의 표면온도는 용접부에서 정상부 및 결함부의 온도값들과 특히 연관성이 크므로 상기 인수를 활용하면 편의성을 희생하지 않으면서도 검사의 정확성을 증대시킬 수 있다.

용접에 결함이 있는 부분은 정상부에 비해 온도값이 불균일할 수 있으며, 표면 상태에 따라 상대적으로 높은 온도를 가질 수도 있고 낮은 온도를 가질 수 있다. 대기의 온도, 습도, 풍속 등 외부변수를 종합적으로 고려하여 결함부와 전상부 사이의 온도차와 균열 깊이 간의 BIG DATA 분석을 통해 관계를 규명할 수 있으며, 이를 이용하여 균열의 깊이 정보를 획득할 수 있다.

위에서는 표준편차 사례들을 데이터베이스에 수집하고 이를 기계학습에 의해 분석하는 경우를 일례로 설명하였으나, 본 발명이 이에 한정되는 것은 아니며 다양한 분석 방법이 사용될 수 있다. 또한, 결함 범위를 설정하는 단계(S100)가 반드시 실험에 근거하여 설정되어야 하는 것은 아니며, 외부에서 수신된 자료에 근거하여 설정될 수 있음은 물론이다.

또한, 도 1에는 결함 범위를 설정하는 단계(S100)가 검사대상 용접부에서 복수의 온도값을 획득하는 단계(S200)보다 먼저 수행되는 실시예가 도시되어 있으나, 결함 범위를 설정하는 단계(S100)는 이후 검사대상 용접부의 온도값들로부터 산출된 지표값을 결함 범위와 비교하는 단계(S400) 이전에만 수행되면 된다는 것을 당업자는 이해할 것이다.

실제 철골 구조물의 용접부를 검사하기 위해, 본 발명의 일실시예에 따른 용접부 결함 검출 방법은 검사대상 용접부의 일면 상에서 복수의 지점에 대응하는 복수의 온도값을 획득하는 단계(S200)를 포함할 수 있다.

용접부에서 복수의 지점에 대응하는 온도값을 획득하기 위해 다양한 방법이 사용될 수 있으나, 본 발명의 일실시예에서는 상기 복수의 온도값을 획득하는 단계(S200)가 열화상 촬영에 의해 수행될 수 있다(S210). 즉, 검사대상 용접부의 일면을 열화상 카메라로 촬영할 수 있다.

도 7은 이러한 과정을 묘사하고 있다. 용접부 상의 결함부는 정상부에 비해 방출되는 적외선 (infrared, IR) 에너지가 다른 형태로 나타난다. 열화상 카메라는 방출되는 IR 에너지를 검출하고 수신된 신호를 처리하여 디스플레이 상에 표시할 수 있다.

열화상 카메라를 이용하는 경우, 획득한 열화상 영상에서 사전정의된 크기의 영역을 선택(S220)함으로써 해당 용접부에서 필요한 수의 온도값을 획득할 수 있다.

도 8은 이러한 과정을 묘사하고 있다. 도 8에 도시된 예에서는 획득한 열화상 영상에서 4x2 개의 픽셀을 선택하여 해당 픽셀에 대응하는 온도값을 측정하였다. 도시된 바와 같이, 정상부를 촬영한 영상의 지정된 영역에서는 온도값의 차이가 크지 않은 반면, 결함부를 촬영한 영상의 지정된 영역에서는 일부 지점의 온도는 평균에 비해 크게 부족하고 일부 지점의 온도는 평균을 크게 초과하는 것을 볼 수 있다. 즉, 정상부에서는 온도값들이 상대적으로 균일하게 나타나는 반면, 결함부에서는 온도값들이 불균일하게 나타나, 측정된 온도값들의 표준편차가 크게 나타난다.

도 8에서는 표준편차가 8개 지점의 온도값들로부터 계산되는 경우가 일례로 도시되었지만 본 발명이 이에 한정되는 것은 아니다. 본 발명의 다른 실시예에서는 영역이 다양한 크기로 선택될 수 있고, 선택된 영역 내에서도 온도값이 선택되는 지점의 개수 역시 다양할 수 있다.

용접부의 결함 존재 여부를 판단하는 과정이 보다 정확한 결과를 도출할 수 있도록, 온도값을 획득하는 과정(S200)은 전술한 바와 같이 외기 온도, 습도, 풍속, 일사량, 용접부에 인접한 부재의 표면온도, 용접부 양측 부재 사이의 각도, 용접부의 폭, 정상부의 온도, 용접되는 부재의 두께, 결함의 유형, 결함의 깊이, 표준편차의 계산에 사용된 온도값의 개수, 등의 인수 중 하나 이상을 함께 측정할 수 있다. 전술한 바와 같이 용접부에 인접한 부재의 표면온도는 열화상 촬영을 통해 동시에 획득할 수 있으므로 별도의 장비 없이 정확성을 증대시킬 수 있다는 장점을 제공한다. 물론, 외기 온도, 습도, 풍속, 일사량 등 일부 인수들은 별도의 장비를 통해 측정할 수도 있고, 기상청 등 외부로부터 수신한 자료에 근거하여 획득할 수도 있다.

검사대상 용접부로부터 복수의 온도값을 획득(S200)한 후, 획득한 복수의 온도값의 표준편차를 계산하여 소정의 지표값을 산출(S300)할 수 있다. 여기서, 지표값은 계산된 표준편차 자체일 수도 있지만 표준편차를 더 가공하여 산출해 낸 다른 값일 수도 있다.

열화상 촬영을 획득한 온도값을 그대로 이용하면 정상부에 비해 임계값 이상의 온도 차이가 있는 부분을 검출함으로써 결함이 존재할 가능성을 판단할 수 있다. 그러나 온도, 습도, 풍속, 일사량 등의 외부 인수들에 의해 정상부 및 결함부 모두에 온도 변화가 생길 수 있으며, 정상부 및 결함부에서의 온도 변화가 동일하게 증감되지 않을 수 있다. 또한, 결함부의 경우 도 8에 도시된 바와 같이 위치에 따라 온도가 매우 불균일하기 때문에, 온도차를 기초로 하여 결함을 검출하는 경우 선택되는 지점에 따라 다른 결과가 도출될 수 있다.

한편, 복수의 지점에서 온도값을 추출하여 이에 대해 표준편차를 계산하고 이 표준편차 값을 기초로 하여 결함 여부를 판단하면, 어느 한 점의 온도값에 근거하지 않으므로 보다 높은 신뢰도로 판단 결과가 도출될 수 있다.

또한, 여러 개의 온도값으로부터 하나의 표준편차 값이 계산된 후 이를 바탕으로 지표값이 산출되기 때문에, 모든 경우에 반드시 동일한 개수의 온도값 측정치가 사용될 필요가 없다. 즉, 결함 범위를 설정하기 위해 수집되는 표준편차 사례에서 표준편차의 계산에 사용되는 온도값의 개수가 서로 다르거나 데이터베이스의 표준편차 사례와 검사대상 용접부의 측정에서 표준편차의 계산에 사용되는 온도값의 개수가 서로 다르더라도 해당 표준편차 값들에 근거하여 판단 결과를 도출하는 것이 가능하다.

본 명세서에서는 온도값을 획득하는 단계가 열화상 촬영에 의해 이루어지는 경우를 예로 가정하여 설명하였으나 본 발명이 반드시 이에 한정되는 것은 아니다. 예를 들어, 결함 범위 설정을 위해 표준편차 사례를 수집하는 단계 및 검사대상 용접부에서 온도값을 획득하는 단계에서 획득되는 표준편차 사례 중 하나 이상은 일반 온도계 등을 이용하여 직접적으로 온도값을 취할 수도 있다.

지표값이 산출되면, 지표값을 결함 범위와 비교하여 검사대상 용접부의 결함 존재 여부를 판단(S400)할 수 있다.

전술한 바와 같이, 도 5에 묘사된 결함 유형 각각에 대하여 결함 범위는 서로 다르게 설정될 수 있다. 표준편차 사례들을 수집한 데이터베이스를 기계학습 알고리즘에 입력하면, 알고리즘은 BIG DATA 분석을 통해 판별하고자 하는 각 유형의 온도값 표준편차에 대한 특징을 학습할 수 있다. 이에 따라, 본 발명의 일실시예에서는 측정된 온도값들로부터 결함의 유형 및 그 정도를 판별하도록 할 수 있다.

본 발명의 일실시예에 따른 용접부 결함 검출 방법에서는 이와 같이 대상 용접부를 검사한 후, 그 결과값을 전술한 데이터베이스에 추가할 수 있다. 즉, 취득한 열화상 촬영 영상에서 검출된 정상부 및 결함부 및 동시에 측정한 다른 인수들을 데이터베이스에 추가할 수 있다. 이로써 시간이 지날수록 데이터베이스 내에 수집된 입력값들은 지속적으로 누적될 수 있으며, 검사 방법의 검출 결과는 그 신뢰도 및 정확도가 지속적으로 증가할 수 있다.

이하, 본 발명의 다른 실시예에 따른 용접부 결함 검출 방법을 설명하기로 한다. 본 실시예에서는 결함 범위와 비교하기 위한 지표값이 측정된 온도값들의 표준편차 값 하나만이 아니라 둘 이상의 표준편차 값들이 하나의 지표를 이룬다.

도 6은 본 발명의 일실시예에 따른 용접부 결함 검출 방법에 따라 수집된 표준편차 사례를 예시적으로 나타낸 그래프이다. 도 6을 참조하면, 철골 구조물의 용접부에서 결함부는 결함의 유형마다 다른 표준편차 값을 나타낼 수 있는데, 이러한 표준편차 값들은 또한 외기 온도에 따라 다른 양상을 나타낼 수 있다. 따라서 본 실시예에서는 이러한 표준편차의 변화율을 지표값으로 사용할 수 있다.

예컨대, 결함 범위 설정을 위한 표준편차 사례들을 수집할 때 및/또는 검사대상 용접부의 온도값들을 측정할 때, 외기 온도, 습도, 풍속, 일사량 및 상기 검사대상 용접부에 인접한 부재의 표면온도 중 적어도 하나의 외부 인수를 동시에 측정할 수 있고, 해당 외부 인수가 다른 값을 나타내는 다른 시간대에 해당 용접부에서 동일한 지점의 온도값들을 다시 측정할 수 있다.

제1 시간대에 계산된 제1 표준편차와 제2 시간대에 계산된 제2 표준편차 사이에는 소정의 차이가 발생할 것이므로, 결함 존재 여부를 판단하는 단계에서는 제1 표준편차 및 제2 표준편차 중 적어도 하나의 값과 또한 제1 표준편차와 제2 표준편차 사이의 변화율을 기반으로 결함의 유형을 판단할 수 있다.

따라서, 예를 들어 무인항공기에 열화상 카메라를 부착하여 철골 구조물을 검사하는 경우, 제1 시간대에 검사대상 용접부에서 복수의 온도값을 획득할 수 있고, 기준이 되는 외부 인수의 값이 상이해진 제2 시간대에 동일한 지점에서 복수의 온도값을 다시 획득할 수 있다. 일반적으로 외부 온도, 습도, 풍속, 일사량 및 용접부에 인접한 부재의 표면 온도는 상이한 시간대에서 상이한 값을 나타낼 것이다.

특히, 용접부에 인접한 부재의 표면온도를 사용하는 경우, 제2 시간대에서 온도값을 획득하는 중에 또는 그 이전에 해당 부재를 가열하는 단계를 수행할 수 있다. 이로써 외부 인수로서의 인접 부재 표면온도는 보다 큰 차이를 이루게 되어 제1 시간대와 제2 시간대에 계산된 제1 표준편차와 제2 표준편차가 보다 명확한 차이를 나타내게 할 수 있다.

이상 설명한 본 발명의 일부 실시예에 따르면, 열화상 카메라를 이용하는 매우 간단한 방법으로 철골조 용접부에서 결함이 존재하는지 여부를 판단할 수 있다. 특히, 기존의 방법과는 달리 열화상 카메라를 이용하여 철골조 용접부에서 결함의 유무만을 판단하는 것뿐만이 아니라 결함의 유형과 정도를 판단할 수 있으며, 검사자가 적합한 대응책을 신속히 구상할 수 있도록 하여 구조물의 안전성을 크게 증대시킬 수 있다.

또한, 본 발명의 일실시예에 따르면, 검사 대상의 환경적 요소를 종합적으로 고려하여 높은 신뢰도 및 높은 정확도를 제공할 수 있으며, 데이터가 누적될수록 검사 방법의 신뢰도 및 정확도가 더욱 증가할 수 있다.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이의 균등 또는 등가적 변형 모두는 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (8)

1. 용접부의 결함을 검출하는 방법에 있어서,
   검사대상 용접부의 일면 상에서 복수의 지점에 대응하는 복수의 온도값을 획득하는 단계;
   상기 복수의 온도값의 표준편차를 계산하여 지표값을 산출하는 단계; 및
   상기 지표값을 사전 설정된 결함 범위와 비교하여 상기 검사대상 용접부에 결함이 존재하는지 여부를 판단하는 단계를 포함하되,
   상기 복수의 온도값을 획득하는 단계는 열화상 카메라로 상기 검사대상 용접부를 촬영하는 단계를 포함하고, 상기 복수의 온도값은 상기 열화상 카메라로 촬영한 영상 내의 복수의 픽셀 값에 대응하며, 상기 복수의 온도값을 획득하는 동시에 하나 이상의 외부 인수를 측정하는 단계를 포함하고, 상기 결함 범위는 상기 외부 인수의 값에 따라 다르게 설정되는 것을 포함하며,
   상기 결함 존재 여부를 판단하는 단계는 상기 지표값을 복수의 결함 범위와 비교하여 상기 지표값이 속하는 결함 범위에 기초하여 결함의 유형을 판단하는 단계를 포함하는 것을 특징으로 하는 용접부 결함 검출 방법.
   
2. 제 1 항에 있어서,
   상기 외부 인수는 상기 복수의 온도값을 획득할 때의 외기 온도, 습도, 풍속, 일사량 및 상기 검사대상 용접부에 인접한 부재의 표면온도 중 적어도 하나를 포함하는 것을 특징으로 하는 용접부 결함 검출 방법.
   
3. 제 1 항에 있어서,
   상기 복수의 온도값을 획득하는 단계 이전에, 상기 결함 범위를 설정하는 단계를 더 포함하는 용접부 결함 검출 방법.
   
4. 제 3 항에 있어서,
   상기 결함 범위를 설정하는 단계는 하나 이상의 결함 유형 각각에 대하여 결함이 존재하는 용접부의 복수의 온도값으로부터 산출되는 표준편차 사례를 수집하는 단계를 포함하는 것을 특징으로 하는 용접부 결함 검출 방법.
   
5. 제 4 항에 있어서,
   상기 결함 범위를 설정하는 단계는,
   상기 수집되는 표준편차 사례를 데이터베이스로 구축하는 단계, 및
   딥러닝 알고리즘에 상기 데이터베이스를 입력하는 단계를 포함하는 것을 특징으로 하는 용접부 결함 검출 방법.
6. 삭제
7. 삭제
8. 삭제

Images